基于NSGA—Ⅱ和Cruise的混合动力汽车参数优化

　　摘要：混合动力汽车的参数优化对降低整车的油耗和减少排放有着重要作用。针对HEV的高度非线性系统，在Maltab和AVLCruise软件平台下，建立整车仿真模型，采用改进的遗传优化算法NSGA-Ⅱ，对混合动力汽车的传动参数和控制策略参数同时进行优化。优化结果表明，该方法在保证动力性的前提下，提高了燃油经济性和排放性能。

　　关键词：混合动力汽车；多目标遗传算法；参数优化

　　中图分类号：U469.7文献标志码：A文章编号：1005-2550（2013）03-0019-05

　　混合动力电动汽车（HEV）具有多种动力源，将电力驱动与内燃机驱动相结合，通过对各部件的优化组合，使发动机工作在低排放和低耗能的区域，从而为能量的优化分配提供了基础[1]。由于HEV系统的参数优化属于不可微、不连续、多维、有条件约束和高度非线性的优化问题，针对这类问题，目前主要有梯度算法和非梯度算法两种。

　　传统的基于梯度的搜索方法，如序列二次规划法（SQP），要求目标函数连续、可微并满足Lipschitz条件，FISH等应用SQP对串联式HEV参数进行了优化分析，但仅能收敛于局部最优解，而不是全局最优解[2，3]。非梯度算法，如模拟退火算法（SA）、粒子群优化算法（PSO）、遗传算法（GA）等由于不需要目标函数的梯度信息，且能自行跳出局部最优解，可以适用于HEV系统的参数优化[4，5]。遗传算法搜索能力强，具有良好的全局优化性，但容易陷入局部最优解，而且在后期的搜索效率低，所以加入精英策略和快速非支配排序的NSGA-Ⅱ有更好的适应性。

　　在正向仿真软件AVLCruise的平台上建立精确的HEV整车分析模型，以降低油耗和排放为目标，通过改进的遗传优化算法NSGA-Ⅱ，对混合动力系统的相关参数进行优化，确定出合适的主传动比及控制策略参数，有效地解决了整车能量分配问题，并在保证动力性的情况下，提高了燃油经济性，同时也改善了排放性能。

　　1HEV仿真模型及控制策略

　　建立仿真模型在混合动力汽车的设计分析中是一种有效手段，本文选用AVLCruise软件对某混合动力汽车进行建模，并在Matlab中建立能量管理策略。Cruise是AVL公司开发的用于进行车辆仿真和传动系分析的软件。Cruise是研究汽车动力性、燃油经济性、排放性能及制动性能的高级模拟分析软件。它可用于汽车开发过程中的动力传动系的匹配、汽车性能预测，还可以用于开发和优化混合动力车、电动汽车动力传动系统及控制系统。Cruise模型与Advisor最大不同点在于，前者带有驾驶员模型，可以实现正向仿真，与实际情况更接近，使结果更加准确。

　　1.1基于Cruise的整车模型

　　1.2能量管理策略

　　本文的实车模型为ISG型混合动力汽车，该模型中ISG电机既可以用作电动机，又可以当作发电机使用。在此结构下，通常采用的ISG电机功率较小，该结构的混合动力汽车大多采用电动机辅助控制策略。控制策略示意图如图2所示，发动机的最大转矩曲线、关闭转矩曲线和起动转速构成了发动机的起停分界区。当SOC大于下限值soc_low时，在车速低、发动机转速低于起动转速或者需求转矩过低，此时关闭发动机，由电机驱动。当系统需求转矩大于发动机的最大经济转矩时，由发动机和电动机共同驱动。在制动时ISG电机切换到发电状态进行制动能量回收。当蓄电池荷电状态过低时，发动机除提供系统的需求转矩外，还要向发电机提供充电转矩图2（b）中表示充电转矩，来提高电池的荷电状态。

　　2基于NSGA-Ⅱ的参数优化

　　2.1优化目标和优化变量

　　2.2约束条件

　　2.3NSGA-Ⅱ算法

　　（2）初始化，在X的可行域内随机产生N个个体作为初始父代种群Pt。

　　（3）对初始种群Pt进行简单遗传算法，生成子代种群Qt，将初始种群与子代种群进行合并，生成规模为2N的种群Pt。

　　（4）快速非支配排序，根据个体之间的支配与非支配关系进行排序以决定个体之间的优劣。

　　（5）拥挤度比较算子计算，拥挤度是指种群中给定个体的周围个体的密度。

　　（6）精英策略，通过快速非支配序与拥挤度算子从种群2N中选择N个个体作为下一代父种群Pt+1，然后进行简单的遗传算法产生新的子代种群Qt+1。

　　（7）检验是否满足结束条件，如果不满足返回步骤（3）继续操作，满足条件则输出结果。

　　3实例优化结果分析

　　应用以上提出的方法来解决混合动力汽车参数优化问题。在Matlab环境下，编程实现多目标遗传算法，并在算法中实现调用Cruise模型进行计算，最终通过循环迭代得到Pareto最优解。实例中选用UDC工况作为仿真工况。

　　两组可行解分别表示油耗最优解和排放最优解。通过表6的Pareto最优解改善率可以看出，多目标优化方法可以同时优化多个目标函数，表中等效油耗以及HC、CO和NOx的排放都得到了不同程度的改善。

　　以上结果表明，采用改进的遗传算法NSGA-Ⅱ对混合动力汽车的参数进行优化是有效的。

　　4结论

　　混合动力汽车参数优化是一个典型的非线性多目标优化问题。以油耗和排放为优化目标，通过改进的遗传算法NSGA-Ⅱ对整车的相关参数进行优化。优化结果表明，在保证整车动力性的前提下，燃油经济性和排放性能得到了不同程度的改善，从而验证了该方法有一定的可靠性。但由于Matlab和Cruise的相互调用会影响整个算法的计算速度，所以未来的研究将主要集中在提高算法的优化性能和优化速度。

　　参考文献：

　　[1]璩晶磊，杨观赐.混合动力汽车优化算法综述[J].现代机械，2012，2：27-29.

　　[2]吴光强，陈慧勇.基于遗传算法的混合动力汽车参数多目标优化[J]汽车工程，2009，31（1）：60-64.

　　[3]FISHS，SAVOIETB.Simulation-basedoptimalsizingofhybridelectricvehiclecomponentsforspecificcombatmissions[J].IEEETransactiononMagnetics，2001，37：485-488.

　　[4]王昕，姜继海，于安才.静液传动混合动力车辆驱动系统优化匹配[J].哈尔滨工业大学学报，2011，43（7）：66-70.

　　[5]吴剑，张承慧，崔纳新，等.基于粒子群优化的并联式混合动力汽车模糊能量管理策略研究[J].控制与决策，2008，23（1）：46-50.

　　[6]尹安东，谌文文，等.基于遗传算法的ISG混合动力汽车参数优化[J].汽车工程，2011，33（10）：834-837.

　　[7]PiccoloA，IppolitoL，GaldiV，etal.Optimizationof

　　EnergyFlowManagementinHybridElectricVehiclesviaGeneticAlgorithms[C].IEEE/ASMEInt.Conf.onAdvancedIntelligentMechatronics，Como，Italy，2001.

　　[8]张昕，宋剑峰，田毅，等.基于多目标遗传算法的混合动力电动汽车控制策略优化[J].机械工程学报，2009，45（2）：36-40.